EmbodiedAgent: A Scalable Hierarchical Approach to Overcome Practical Challenge in Multi-Robot Control

要約

このペーパーでは、不均一なマルチロボット制御のための階層的なフレームワークであるEmbodiedagentを紹介します。
Embodiedagentは、非現実的なタスクにおける幻覚の重要な制限に対処しています。
私たちのアプローチでは、次のアクション予測パラダイムを構造化されたメモリシステムと統合して、環境制約に対するアクションを動的に検証しながら、実行可能なロボットスキルにタスクを分解します。
幻覚を軽減するための非実用的なケースのサブセットを含む、100のシナリオにまたがる18,000を超える注釈付き計画インスタンスのデータセットであるMultiplan+を提示します。
パフォーマンスを評価するために、自動化されたメトリックとLLM支援エキスパートグレーディングを組み合わせて、ロボット計画評価スキーマ（RPA）を提案します。
実験は、最先端のモデルに対する具体化された優位性を示しており、71.85％のRPASスコアを達成しています。
オフィスサービスタスクでの実際の検証は、長距離の目標のために不均一なロボットを調整する能力を強調しています。

要約(オリジナル)

This paper introduces EmbodiedAgent, a hierarchical framework for heterogeneous multi-robot control. EmbodiedAgent addresses critical limitations of hallucination in impractical tasks. Our approach integrates a next-action prediction paradigm with a structured memory system to decompose tasks into executable robot skills while dynamically validating actions against environmental constraints. We present MultiPlan+, a dataset of more than 18,000 annotated planning instances spanning 100 scenarios, including a subset of impractical cases to mitigate hallucination. To evaluate performance, we propose the Robot Planning Assessment Schema (RPAS), combining automated metrics with LLM-aided expert grading. Experiments demonstrate EmbodiedAgent’s superiority over state-of-the-art models, achieving 71.85% RPAS score. Real-world validation in an office service task highlights its ability to coordinate heterogeneous robots for long-horizon objectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google